基于解耦表示的隐私保护语音分析
音频与语音处理
2020-09-07 v2 声音
摘要
语音用户接口(VUIs)日益流行,并内置到智能手机、家庭助手和物联网(IoT)设备中。尽管提供了始终在线的便捷用户体验,VUIs 为其用户带来了新的安全和隐私担忧。在本文中,我们关注语音领域的属性推断攻击,展示攻击者从深度声学模型准确推断目标用户敏感和私有属性(例如其情绪、性别或健康状况)的潜力。为防御此类攻击,我们设计、实现并评估了一个用户可配置、隐私感知的框架,用于优化语音相关数据共享机制。我们的目标是在与云服务提供商共享原始语音数据之前,实现语音识别和用户识别等主要任务,同时移除敏感属性。我们利用解耦表示学习显式学习原始数据中的独立因子。基于用户偏好,监督信号告知滤除不变因子而保留所选偏好中反映的因子。我们在五个数据集上的实验评估表明,所提框架可有效防御属性推断攻击,将其成功率降低至近似随机猜测水平,同时对感兴趣任务保持超过 99% 的准确率。我们得出结论,由解耦表示实现的可协商隐私设置可为隐私保护应用带来新机遇。
引用
@article{arxiv.2007.15064,
title = {Privacy-preserving Voice Analysis via Disentangled Representations},
author = {Ranya Aloufi and Hamed Haddadi and David Boyle},
journal= {arXiv preprint arXiv:2007.15064},
year = {2020}
}
备注
14 pages, 7 figures, 2020 Cloud Computing Security Workshop (CCSW'20) in conjunction with the ACM Conference on Computer and Communications Security (CCS)